STAGE - Ingénieur CFD – IA et Simulation Numérique (F/H)

La simulation des écoulements de fluides est essentielle pour comprendre et prédire le comportement de l’air, de l’eau ou de tout autre fluide dans des contextes industriels variés. Elle permet par exemple d’optimiser l’aérodynamique d’un véhicule, d’améliorer l’efficacité énergétique d’un bâtiment, de concevoir des systèmes de refroidissement pour l’électronique, ou encore de garantir la sécurité et la performance d’équipements médicaux. Chez SIMULIA, plusieurs approches numériques sont développées pour répondre à ces besoins. Notre équipe se spécialise dans le développement de solveurs Navier–Stokes par méthodes de volumes finis, afin d’apporter des outils robustes et précis pour la modélisation des écoulements complexes.

Nous recherchons une personne pour une mission de six mois, afin de travailler sur l’intégration de méthodes d’apprentissage automatique pour améliorer les performances et la robustesse de notre solveur CFD. Les travaux porteront également sur le développement et l’évaluation de modèles de substitution guidés par la physique, dans le but d’accélérer et d’optimiser la résolution numérique de simulations industrielles.

Vos missions

Vous rejoindrez l’équipe CFD de SIMULIA et participerez à des travaux de recherche appliquée autour de l’intégration de l’Intelligence Artificielle dans la simulation numérique des écoulements de fluides. L’objectif global est d’explorer comment les techniques d’apprentissage automatique peuvent compléter les méthodes classiques de volumes finis pour améliorer les performances, la précision et la rapidité des simulations industrielles.

Selon vos compétences et vos intérêts, vous pourrez contribuer à plusieurs axes de travail :

• Apprentissage automatique appliqué à la CFD : mise en œuvre et entraînement de modèles pour accélérer certaines étapes du solveur.
• Modèles de substitution guidés par la physique (physics-informed surrogates) : développement de modèles hybrides combinant contraintes physiques et données simulées afin de garantir robustesse et généralisabilité
• Modèles de substitution purement data-driven : expérimentation de techniques d’interpolation ou de régression à partir de grandes bases de résultats CFD, pour prédire rapidement le comportement de nouveaux cas sans recalcul complet.
• Validation et évaluation : conception de jeux de tests, comparaison avec des résultats de référence (benchmarks industriels ou académiques), analyse de la précision, du temps de calcul et de la robustesse.
• Intégration dans le solveur CFD : prototypage de modules ou de workflows permettant de coupler ces modèles IA avec le solveur existant, en vue d’un usage ultérieur par les ingénieurs. 

Ce stage constitue une opportunité de travailler à l'interface entre simulation numérique haute-fidélité et apprentissage automatique, dans un contexte industriel où la performance et la fiabilité sont essentielles.